微软语音合成技术升级编码器效果更接近原始录音
- 来源：cnBeta
- 2021/7/8 9:29:07
- 22929
微软日前发布新一代深度神经网络HiFiNet声码器，与微软上一代语音技术相比，由HiFiNet声码器合成的神经网络版声音质量再创新高，主要体现在发音更准确、韵律更自然、高保真效果更好，更受客户青睐。自推出以来，被广泛应用到有声读物、在线教育、车载语音助手等领域。
HiFiNet是微软神经网络版语音合成技术中新的声音编码器，是决定音频质量的关键因素。根据行业公认的、专业评估语音自然度的MOS测试结果显示，由HiFiNet声码器合成的语音音质可与用于训练的真人录音样本相媲美，并同时改善毛刺、噪音等音频质量问题，输出的音质具备更高保真度，更大程度还原真人录音。
与微软上一代声码器相比，微软HiFiNet声码器合成的音质更高。语音质量的优劣会直接影响收听者的感受，为提升用户收听的舒适度，在Azure语音合成系统中，神经网络声学模型基于深度学习网络，使用真人录音作为原始数据进行迭代训练。首先，提取真人录音的声学特征。然后，利用真人录音的声学特征自动生成两组音频：一组真实声波(原始录音)和一组伪波(合成声波)。最后，由鉴别器区分真实声波和伪波。随着训练次数的增多，声波生成器也会愈发“聪明”，直至生成鉴别器也无法区分的伪波，这意味着机器合成的声音已经和原始录音相差无几，从而给用户带来更贴近自然的体验。
采样率越高，声音还原越真实。Azure神经网络版语音合成声学模型默认每秒钟采样24,000次 (24千赫兹)，为还原特殊场景中更为复杂、细微的声音内容，HiFiNet声码器每秒钟采样48,000次(48千赫兹)，满足用户对语音质量的严格要求，让用户尽享高清语音体验。
除语音质量外，HiFiNet合成速度较之其他模型也有显著的提升，进一步提升了语音合成的实时率。据RTF(Real Time Factor，实时率，用来测量语音合成速度的工具)测试结果显示，HiFiNet在GPU设备上运行的速度是第一代高性能声码器的3倍，在CPU设备上运行的速度是第一代高性能声码器的2倍。
目前，内置HiFiNet声码器的Azure认知服务神经网络版语音合成服务已支持超过70多个国家和地区的语言，提供超过170个自然逼真的音色供开发者选择。
(原标题：微软语音合成技术升级编码器 效果以假乱真)
版权与免责声明：凡本网注明“来源：智能制造网”的所有作品，均为浙江兴旺宝明通网络有限公司-智能制造网合法拥有版权或有权使用的作品，未经本网授权不
展开全部
热门评论